人工智能、机器学习和深度学习的区别?

时间 2019-11-11

标签人工智能机器学习深度区别繁體版

原文原文链接

做者：育心
连接：https://www.zhihu.com/question/57770020/answer/249708509
来源：知乎
著做权归做者全部。商业转载请联系做者得到受权，非商业转载请注明出处。
python

人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在咱们耳边：人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）。很多人对这些高频词汇的含义及其背后的关系老是似懂非懂、只知其一;不知其二。程序员

为了帮助你们更好地理解人工智能，这篇文章用最简单的语言解释了这些词汇的含义，理清它们之间的关系，但愿对刚入门的同行有所帮助。算法

图一人工智能的应用编程

人工智能：从概念提出到走向繁荣

1956年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧一样本质特性的机器。其后，人工智能就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。以后的几十年，人工智能一直在两极反转，或被称做人类文明耀眼将来的预言，或被当成技术疯子的狂想扔到垃圾堆里。直到2012年以前，这两种声音还在同时存在。网络

2012年之后，得益于数据量的上涨、运算力的提高和机器学习新算法（深度学习）的出现，人工智能开始大爆发。据领英近日发布的《全球AI领域人才报告》显示，截至2017年一季度，基于领英平台的全球AI（人工智能）领域技术人才数量超过190万，仅国内人工智能人才缺口达到500多万。架构

人工智能的研究领域也在不断扩大，图二展现了人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、天然语言处理、推荐系统等。机器学习

图二人工智能研究分支ide

但目前的科研工做都集中在弱人工智能这部分，并颇有但愿在近期取得重大突破，电影里的人工智能多半都是在描绘强人工智能，而这部分在目前的现实世界里难以真正实现（一般将人工智能分为弱人工智能和强人工智能，前者让机器具有观察和感知的能力，能够作到必定程度的理解和推理，而强人工智能让机器得到自适应能力，解决一些以前没有遇到过的问题）。函数

弱人工智能有但愿取得突破，是如何实现的，“智能”又从何而来呢？这主要归功于一种实现人工智能的方法——机器学习。性能

机器学习：一种实现人工智能的方法

机器学习最基本的作法，是使用算法来解析数据、从中学习，而后对真实世界中的事件作出决策和预测。与传统的为解决特定任务、硬编码的软件程序不一样，机器学习是用大量的数据来“训练”，经过各类算法从数据中学习如何完成任务。

举个简单的例子，当咱们浏览网上商城时，常常会出现商品推荐的信息。这是商城根据你往期的购物记录和冗长的收藏清单，识别出这其中哪些是你真正感兴趣，而且愿意购买的产品。这样的决策模型，能够帮助商城为客户提供建议并鼓励产品消费。

机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法能够分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。

传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。

深度学习：一种实现机器学习的技术

深度学习原本并非一种独立的学习方法，其自己也会用到有监督和无监督的学习方法来训练深度神经网络。但因为近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），所以愈来愈多的人将其单独看做一种学习的方法。

最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络自己并非一个全新的概念，可大体理解为包含多个隐含层的神经网络结构。为了提升深层神经网络的训练效果，人们对神经元的链接方法和激活函数等方面作出相应的调整。其实有很多想法早年间也曾有过，但因为当时训练数据量不足、计算能力落后，所以最终的效果不尽如人意。

深度学习摧枯拉朽般地实现了各类任务，使得彷佛全部的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。

三者的区别和联系

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。咱们就用最简单的方法——同心圆，可视化地展示出它们三者的关系。

图三三者关系示意图

目前，业界有一种错误的较为广泛的意识，即“深度学习最终可能会淘汰掉其余全部机器学习算法”。这种意识的产生主要是由于，当下深度学习在计算机视觉、天然语言处理领域的应用远超过传统的机器学习方法，而且媒体对深度学习进行了大肆夸大的报道。

深度学习，做为目前最热的机器学习方法，但并不意味着是机器学习的终点。起码目前存在如下问题：

1. 深度学习模型须要大量的训练数据，才能展示出神奇的效果，但现实生活中每每会遇到小样本问题，此时深度学习方法没法入手，传统的机器学习方法就能够处理；

2. 有些领域，采用传统的简单的机器学习方法，能够很好地解决了，不必非得用复杂的深度学习方法；

3. 深度学习的思想，来源于人脑的启发，但毫不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车以后，再见到哪怕外观彻底不一样的自行车，小孩也十有八九能作出那是一辆自行车的判断，也就是说，人类的学习过程每每不须要大规模的训练数据，而如今的深度学习方法显然不是对人脑的模拟。

深度学习大佬 Yoshua Bengio 在 Quora 上回答一个相似的问题时，有一段话讲得特别好，这里引用一下，以回答上述问题：

Science is NOT a battle, it is a collaboration. We all build on each other's ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

这段话的大体意思是，科学不是战争而是合做，任何学科的发展历来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。机器学习的研究也是同样，你死我活那是邪教，开放包容才是正道。

结合机器学习2000年以来的发展，再来看Bengio的这段话，深有感触。进入21世纪，纵观机器学习发展历程，研究热点能够简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。将来哪一种机器学习算法会成为热点呢？深度学习三大巨头之一吴恩达曾表示，“在继深度学习以后，迁移学习将引领下一波机器学习技术”。但最终机器学习的下一个热点是什么，谁又能说得准呢。

编辑于 2017-12-27

29918 条评论

收藏感谢收起

阿里云云栖社区

用户标识1

已认证的官方账号

39 人赞同了该回答

人工智能并非一个新的术语，它已经有几十年的历史了，大约从80年代初开始，计算机科学家们开始设计能够学习和模仿人类行为的算法。

在算法方面，最重要的算法是神经网络，因为过拟合而不是很成功（模型太强大，但数据不足）。尽管如此，在一些更具体的任务中，使用数据来适应功能的想法已经取得了显着的成功，而且这也构成了当今机器学习的基础。

在模仿方面，人工智能专一于图像识别，语音识别和天然语言处理。人工智能专家们花费了大量的时间来建立诸如边缘检测，颜色配置文件，N-gram，语法树等。不过，这些进步还不足以达到咱们的需求。

传统的机器学习：

机器学习（ML）技术在预测中发挥了重要的做用，ML经历了多代的发展，造成了具备丰富的模型结构，例如：

1.线性回归。

2.逻辑回归。

3.决策树。

4.支持向量机。

5.贝叶斯模型。

6.正则化模型。

7.模型集成（ensemble）。

8.神经网络。

这些预测模型中的每个都基于特定的算法结构，参数都是可调的。训练预测模型涉及如下步骤：

1. 选择一个模型结构（例如逻辑回归，随机森林等）。

2. 用训练数据（输入和输出）输入模型。

3. 学习算法将输出最优模型（即具备使训练错误最小化的特定参数的模型）。

每种模式都有本身的特色，在一些任务中表现不错，但在其余方面表现不佳。但总的来讲，咱们能够把它们分红低功耗（简单）模型和高功耗（复杂）模型。选择不一样的模型是一个很是棘手的问题。

因为如下缘由，使用低功率/简单模型是优于使用高功率/复杂模型：

在咱们拥有强大的处理能力以前，训练高功率模型将须要很长的时间。
在咱们拥有大量数据以前，训练高功率模型会致使过分拟合问题（由于高功率模型具备丰富的参数而且能够适应普遍的数据形状，因此咱们最终可能训练一个适合于特定到当前的训练数据，而不是推广到足以对将来的数据作好预测）。

然而，选择一个低功率的模型会遇到所谓的“欠拟合”的问题，模型结构太简单，若是它复杂，就没法适应训练数据。（想象一下，基础数据有一个二次方关系：y = 5 * x ^ 2;你没法适应线性回归：y = a * x + b，无论咱们选择什么样的a和b。

为了缓解“不适合的问题”，数据科学家一般会运用他们的“领域知识”来提出“输入特征”，这与输出关系更为直接。（例如，返回二次关系y = 5 * square（x），若是建立了一个特征z = x ^ 2，则能够拟合线性回归：y = a * z + b，经过选择a = 5和b = 0）。

机器学习的主要障碍是特征工程这个步骤，这须要领域专家在进入训练过程以前就要找到很是重要的特征。特征工程步骤是要靠手动完成的，并且须要大量领域专业知识，所以它成为当今大多数机器学习任务的主要瓶颈。

换句话说，若是咱们没有足够的处理能力和足够的数据，那么咱们必须使用低功耗/更简单的模型，这就须要咱们花费大量的时间和精力来建立合适的输入特征。这是大多数数据科学家今天花时间去作的地方。

神经网络的回归：

在大数据时代，云计算和大规模并行处理基础架构的共同发展，使得机器处理能力在二十一世纪初获得了极大的提高。咱们再也不局限于低功耗/简单的模型。例如，当今最流行的两种主流机器学习模型是随机森林和梯度提高树。尽管如此，二者都很是强大，而且提供了非线性模型拟合的训练数据，但数据科学家仍然须要仔细地建立特征以得到良好的性能。

与此同时，计算机科学家从新使用神经网络的许多层来完成这些人类模仿的任务。这给DNN（深度神经网络）带来了新的生机，并在图像分类和语音识别任务方面提供了重大突破。DNN的主要区别在于，你能够将原始信号（例如RGB像素值）直接输入DNN，而不须要建立任何域特定的输入功能。经过多层神经元（这就是为何它被称为“深度”神经网络），DNN能够“自动”经过每一层产生适当的特征，最后提供一个很是好的预测。这极大地消除了寻找“特征工程”的麻烦，这是数据科学家们最喜欢看到的。

DNN也演变成许多不一样的网络拓扑结构，因此有CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短时间记忆），GAN（生成敌对网络），转移学习，注意模型（attention model）全部的这些被统称为深度学习（Deep Learning），它正在引发整个机器学习界的关注。

强化学习：

另外一个关键组成部分是关于如何模仿一我的（或动物）的学习，设想感知/行为/奖励循环的很是天然的动物行为。一我的或者一个动物首先会经过感知他或者她所处的状态来了解环境。在此基础上，他或者她会选择一个“动做”，将他或者她带到另外一个“状态”。那么他或她将得到“奖励”，循环重复，直到他或她消失。这种学习方式（称为强化学习）与传统监督机器学习的曲线拟合方法有很大不一样。尤为是，强化学习学习得很是快，由于每个新的反馈（例如执行一个行动并得到奖励）都被当即发送到影响随后的决定。

强化学习也提供了预测和优化的平滑整合，由于它在采起不一样的行动时保持当前状态的信念和可能的转换几率，而后作出决定哪些行动能够致使最佳结果。

深度学习+强化学习= AI

与经典的ML技术相比，DL提供了一个更强大的预测模型，一般能够产生良好的预测结果。与经典优化模型相比，强化学习提供了更快的学习机制，而且更适应环境的变化。

机器学习 vs 深度学习

在深度探讨machine learning和data science的联系以前，这里简要地讨论一下machine learning 和deep learning。machine learning是一套算法，来训练数据集作预测或者采起行动以使得系统最优化。举例来讲，supervised classification algorithms被用来根据历史数据将想要贷款的客户分红预期好的和预期差的(good or bad prospects)。对于给定的任务(好比监督聚类)，须要的技术多种多样：naive Bayes、SVM、neural nets、ensembles、association rules、decision trees、logistic regression，或者是不少技术的组合。全部这些都是数据科学的子集。当这些算法自动化后，好比无人驾驶飞机或者无人驾驶汽车，这就叫AI了，或者说的具体一点，deep learning。若是采集的数据来自传感器而且经过互联网传播，那么这就是机器学习或数据科学或深度学习应用于物联网了。

有些人对深度学习有不一样的定义，他们认为深度学习是更深层次的神经网络(一种机器学习的技术)。AI(Artificial Intelligence)是建立于20世纪60年代的计算机科学的一个子领域，是关于解决那些对人类来说很是容易可是对计算机而言很难的任务。值得一提的是，所谓的strong AI可能能够作全部人类能够作的事情(可能除了纯粹的物理问题)。这是至关普遍的，包括各类各样的事情，好比作计划，在世界上处处溜达，识别物体和声音，说话，翻译，社交或者商业交易，还有创造性工做(好比写诗画画)等等。

NLP(Natural language processing)只是AI要处理的语言部分，尤为是写。

Machine learning是这样的一种状况：给出一些能够被以离散形式描述的AI问题(好比从一系列动做中选出对的那个)，而后给定一堆外部世界的信息，在不须要程序员手动写程序的状况下选出那个“正确的”行为。一般状况须要借助外界的一些过程来判断这个动做对不对。在数学上，这就是函数：你给一些输入，而后你想要他处理一下获得正确的输出，因此整个问题就简化为用一些自动的方式创建这种数学函数模型。和AI区分一下：若是我写了一段特别机智的程序有着人类的行为，那这就能够是AI，可是除非它的参量都是自动从数据中学会的，不然就不是机器学习。

Deep learning是当下很是流行的机器学习的一种。它包含一种特殊的数学模型，能够想成是一种特定类型的简单块的组合(或者说是块的功能的组合)，这些块能够进行调整来更好的预测最终结果。

原文：http://click.aliyun.com/m/44042/

更多技术干货敬请关注云栖社区知乎机构号：阿里云云栖社区 - 知乎

发布于 2018-03-19

395 条评论

收藏感谢收起

Wayne Wang

NLP AI ML DM

10 人赞同了该回答

来自微博爱可可老师的转载。

发布于 2017-03-30

10添加评论

收藏感谢

猿Sir

13 人赞同了该回答

《人工智能狂潮：机器人会超越人类吗？》

来自日本学习的科普书，内容很是浅显及时，甚至包含了最近深度学习的发展介绍。惟一的不足之处就是翻译标题太恶俗了。

发布于 2017-03-29

132 条评论

收藏感谢

KnowingAI知智

已认证的官方账号

7 人赞同了该回答

看了你们的答案决定简答一波～一张图终结该问题（呸）！

人工智能指由人类制造出的机器表现出的智能。这是一个很是大的范围，长远目标是让机器实现类人智能。不过目前咱们还在很是很是初级的阶段，甚至都不能称为智能。

机器学习是指经过数据训练出能完成必定功能的模型，是实现人工智能的手段之一，也是目前最主流的人工智能实现方法。

深度学习则是机器学习的分支。深度即层数，超过 8 层的神经网络模型就叫深度学习——目前在语音、图像等领域取得了很好的效果。

因此三者之间是从大到小的包含关系～

书籍的话想要入门不须要太多，2 本书便可——

一、周志华教授的《机器学习》，著名的「西瓜书」，【文科生也不用惧怕的机器学习专业书】！

或者李航教授的《统计学习方法》，特色是简洁高效、深刻浅出，很是优美～但文科生入门大概不太行。

可根据本身的状况任选其一。

二、Ian Goodfellow、Yoshua Bengio、Aaron Courville 合著的《深度学习》，去年 8 月出了中文版，条理清晰，不论有没有基础均可以根据状况，选择适合本身的章节阅读。

若是对人工智能的学科背景及应用方向感兴趣，推荐轻松有趣的《漫谈人工智能》，编著这本书的集智俱乐部中有有好几位都是人工智能行业的创业者。从基础科普到天然语言处理、群集智能、天气预测应有尽有，是一本【至关有诚意的人工智能类科普读物】。

以上就是咱们的答案和推荐，并感谢你看到这里(●°u°●) 」

咱们会不按期奉上轻松有趣的科普视频，

及解读人工智能行业、历史的深度文章，

欢迎关注！

编辑于 2018-03-22

7添加评论

收藏感谢收起

语非

不想当厨师的教练不是好的数据爱好者

12 人赞同了该回答

什么是人工智能？它和神经网络、机器学习、深度学习、数据挖掘这类热门词汇有什么关系？撇开复杂的概念和高冷的定义，一图看懂人工智能相关领域的错综复杂的关系。

»由图可见，人工智能、机器学习、深度学习并不是是层层包含的关系，而最近火热的神经网络也只是与人工智能有交叉而非人工智能的实现方式或者子集。

»在谷歌趋势上搜索人工智能、大数据、机器学习、深度学习的中英文能够比对不一样的关注走向。

»人工智能和大数据此消彼长，早在2004年人工智能就受到中英文领域的双重关注。在2006-2007年人工智能中文搜索开始降低，大数据的概念开始火过于人工智能。

»在英文搜索领域，大数据的浪潮直到2012年后才开始超过中文领域。 »深度学习在中文领域的搜索热度，一度在2009年和人工智能齐平。相反在英文领域，深度学习的搜索关注度直到2013年后才开始逐步提高。

发布于 2017-05-22

121 条评论

收藏感谢

匿名用户

12 人赞同了该回答

【决胜AI】人工智能与深度学习实战课程（深度学习机器学习人工智能 python 数据分析数据挖掘 Tensorflow Caffe）

网盘地址：https://pan.baidu.com/s/1i65aU4P 密码: a4k6

网盘地址：https://pan.baidu.com/s/1smhJZPF 密码: vqwp

发布于 2018-01-15

121 条评论

收藏感谢

老岁月

什么都喜欢涉猎一点

8 人赞同了该回答

简要说明一下人工智能（AI）、机器学习（ML）和深度学习（DL）分别是什么意思以及它们的不一样点。

AI，ML和DL有什么区别？

人工智能由John McCarthy于1956年创立，它是可以执行人类智能特征的机器。包括机器人、语言识别、图像识别、天然语言处理和专家系统等。

能够将AI分为两类，广义和狭义。General AI将具备人类智慧的全部特征，包括上述能力。狭义的AI展现了人类智慧的某些方面，而且将某些方面作到最好，但在其余领域却没法适用。举个狭义人工智能的一个例子，好比一台很高端的识别图像的机器，没有别的功能。

机器学习的核心是简单的实现AI的方式

在AI创造后的不久，Arthur Samuel在1959年，将它定义为“没有明确编程的学习能力”，能够在不使用机器学习的状况下得到AI ，可是这须要创建数百万行具备复杂规则和决策树的代码。

举个例子，机器学习已经被用来大大改进计算机视觉（机器识别图像或视频中的对象的能力）。你收集数十万甚至数百万张图片，而后让人标记他们。例如，人类可能会将其中有一只猫的图片与那些没有猫的图片进行标记。而后，该算法尝试创建一个模型，能够准确地将图片标记为包含猫或不包括猫。一旦准确度水平足够高，表明机器已经“学习”了如何识别一只猫的样子。

深度学习是机器学习的许多方法之一，其余方法包括决策树学习、概括逻辑程序设计、聚类、强化学习和贝叶斯网络等。

深度学习的灵感来自于大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物学结构的算法。

在ANN中，“神经元”具备离散的层和与其余“神经元”的链接。每一个层选出要学习的特定功能，例如图像识别中的曲线/边。正是这种分层赋予了深度学习的名称，深度是经过使用多层而不是单层来建立的。

AI和IoT是密不可分的

我认为AI和IoT之间的关系很像人脑与身体之间的关系。

咱们的身体收集感官输入，如视力，声音和触觉。大脑接受这些数据，并将其理解，将光转换成可识别的对象，并将声音转化为可理解的语音。大脑随后做出决定，将信号发回身体，以指挥运动，例如拾起物体或说话。

全部构成物联网的链接传感器就像咱们的身体，它们提供了世界上发生的事情的原始数据。人工智能就像咱们的大脑，理解这些数据，并决定采起什么行动。而物联网的链接设备又像咱们的身体，进行身体动做或与他人交流。

机器学习（ML）和深度学习（DL）近年来的发展致使了AI的巨大飞跃。如上所述，机器学习和深度学习须要大量的数据来工做，而这些数据正被数十亿的传感器收集到，这些传感器将继续在物联网中联机。物联网会创造更好的人工智能。

改善人工智能也将推进物联网的发展，创造一个良性循环，在这两个领域将大大加速其发展。

在工业方面，人工智能能够应用于预测机器什么时候须要维护或分析制造过程，以提升效率，从而节省数百万美圆。
在消费者方面，能够经过语音简单地向机器询问咱们须要什么，而不是点击、打字和搜索。好比会询问一些天气信息，或是睡觉前的准备（锁门、关灯等等）。

固然，人工智能对咱们社会和将来的影响会产生一些担心。

编辑于 2017-09-10

81 条评论

收藏感谢收起

戴一波

关注移动互联网

8 人赞同了该回答

人工智能：为机器赋予人的智能

机器学习：一种实现人工智能的方法

深度学习：一种实现机器学习的技术

人工神经网络：一种机器学习的算法

传送门：人工智能、机器学习、深度学习和人工神经网络

发布于 2017-12-04

8添加评论

收藏感谢

猿助猿

互帮互助，猿助猿！

6 人赞同了该回答

求大神们，可否给个学习的路线或者书单，菜鸟路过

发布于 2017-03-29

63 条评论

收藏感谢

猿助猿

猿助猿(www.dadio.xyz)开发者进阶互助圈，全球领先的在线编程测评平台

2 人赞同了该回答

人工智能包括机器学习，机器学习包括深度学习。

发布于 2017-03-29

2添加评论

收藏感谢

小亦

碎末一語，誰知天命。

1 人赞同了该回答

人工智能是最普遍的定义了，机器学习和深度学习都是 AI 的实现手段。

人工智能的核心是「代理（Agent）」，你打 10086 语音助理同样给你办理业务也是一种 AI，你去电脑上下象棋也是 AI，你去点个外卖美团给你推送好吃的也是 AI。

机器学习涵盖了一整套被数学证实过的方法，主要是回归和聚类（预测和归类）两种类别的算法。

深度学习也是一种实现 AI 的算法，目前比较热门，但数学证实不少地方仍是个谜，虽然用起来后看到跑出来的结果很爽。

------------

书籍，核心就一本，咱们以前的教材《人工智能 —— 一种现代的方法》：

人工智能 (豆瓣)book.douban.com

这是中文版，建议阅读英文原版，理解上可能会直观不少。

咱们那版封面不是这样的，无伤大雅，好好学习。

发布于 2018-03-20

1添加评论

收藏感谢

大白是我

互联网

1 人赞同了该回答

人工智能是计算机科学的一个子领域，创造于 20 世纪 60 年代，它涉及到解决对人类而言简单却对计算机很难的任务。详细来讲，所谓的强人工智能系统应该是能作人类所能作的任何事。这是至关通用的，包含全部的任务，好比规划、处处移动、识别物体与声音、说话、翻译、完成社会或商业事务、创造性的工做（绘画、做诗）等。天然语言处理只是人工智能与语言有关的一部分。

机器学习被认为是人工智能的一方面：给定一些可用离散术语（例如，在一些行为中，那个行为是正确的）描述的人工智能问题，并给出关于这个世界的大量信息，在没有程序员进行编程的状况下弄清楚「正确」的行为。典型的是，须要一些外部流程判断行为是否正确。在数学术语中，也就是函数：馈入输入，产生正确的输出。因此整个问题就是以自动化的方式创建该数学函数的模型。在两者进行区分时：若是我写出的程序聪明到表现出人类行为，它就是人工智能。但若是它的参数不是自动从数据进行学习，它就不是机器学习。

　深度学习是现在很是流行的一种机器学习。它涉及到一种特殊类型的数学模型，可认为它是特定类型的简单模块的结合（函数结合），这些模块可被调整从而更好的预测最终输出。

更多人工智能资讯关注AI垂直媒体：智能玩咖（VRdaxue）！

发布于 2017-05-05

1添加评论

收藏感谢

匿名用户

深度学习其实就是神经网络，是一种机器学习算法，机器学习是实现人工智能的一种手段。

书单不推荐，看sklearn、tensorflow文档便可。

发布于 2018-03-19

0添加评论

收藏感谢

知乎用户